MRI参加者
22歳から39歳(平均=28.6歳;s.d.=4.4)の間の24人の右利きのフランス語母語話者が参加するために支払われた(男性11人、女性13人)。 彼らは、神経学的、医学的、視覚的または記憶障害の報告された病歴を有していなかった。 この研究は、地域研究倫理委員会（Comité de Protection des Personnes Nord-Ouest III、スポンサー ID：C13-46、RCB ID：2014-A00126-41、rcb ID：2014-A00126-41、rcb ID：2014-A00126-41）によって承認されました。clinicaltrial.gov 登録番号：NCT02172677）。 また、設計の設定と調整のために2人の追加参加者が最初に募集されました（ただし、分析はされませんでした）。 一人の参加者は、画像解析を防止する重要なMRI人工物のために、さらなる分析なしで置き換えられました。 すべての参加者は、参加する前に書面による同意を与えました。 参加者は、実験期間の前または中に精神刺激薬、薬物またはアルコールを消費しないように求められた。 サンプルサイズを事前に決定するために統計的方法は使用されなかったが、この研究で使用されたサンプルサイズ（N=24）は、RSAを使用した以前のfMRI研究
第二次世界大戦、全戦中から選ばれた119枚の写真がカーン記念博物館で展示されています。 各ディスプレイは、プロのデジタルカメラとプロの照明を使用して記念碑で撮影されました。 これらの画像は、コントラストと照明のために調整され、画像処理ソフトウェアを使用して外部輪郭がトリミングされました。
各参加者は午後の終わり、記念館の扉が閉まる直前に記念館を探索した。 これにより、他の訪問者が参加者のツアーを混乱させないようにしました。 参加者はまず実験に関する一般的な指示を受け、眼鏡と眼鏡に接続された小さな記憶装置からなるモバイルアイトラッキングシステム（応用科学ラボラトリー）を装備し、バックパックとして運ばれた。 これらのメガネには、参加者の視覚的な探査を撮影する小さなカメラが取り付けられており、実験者のラップトップに記録され、放送されました。 現在の論文の範囲を超えたこれらのアイトラッキングデータは提示していませんが、参加者の探査を追跡することができ、以下の指示に従っていることを確認することができました。
参加者は、記念碑の制限された空間を探索するように指示され、空間レイアウトを説明する地図が与えられました（図参照）。 1a）。 このスペースは合計119枚の写真で構成され、それぞれの下にキャプションがあり、22のテーマゾーンに従って編成されました（ゾーン番号は図の円で示されてい 1a）。 他の二つのゾーンは、最近性と優位性の効果のために、ツアーの冒頭と最後に含まれていました。 これらのフィラーゾーンは常に同じであり、それらの写真は後続の実験プロトコルには含まれていませんでした（そして、その後のリコールタスクの訓練と習熟のためにのみ使用されました）。 これらの22のゾーンは、6つの主要なセクターに従ってグループ化されました（図の記念地図上の6つの主要な色で示されています。 1a）。 これらの主要セクターの探査順序は、参加者間で相殺されました。 各セクター内のゾーンの探査順序も、6つの異なる探査リストに従ってランダム化されました（4人の参加者は、これらの6つのリストのそれぞれに割 各ゾーンは、参加者がゾーンを探索する前に最初に読むように指示されたゾーンの内容を説明する紹介ボードで始まりました。 その後、参加者はゾーンを構成する各画像を探索しなければならなかった。 彼らは最初に下のキャプションを読んで、その後、彼らは彼らのツアーを完了するまで、次の写真に移動する前に、彼らが望む限り、画像の内容を探索して自由だった、その平均所要時間は76分（s.d.=13.8）でした。 この記念ツアーの間、参加者は彼らの記憶が次の日にテストされることに気づいていなかったことに注意してくださ
リコールタスク
次の日、参加者はリコールタスクを実行し、それぞれ約10分間のfMRIセッションに分かれました。 各セッションでは、参加者が前日に調査した（つまり、ターゲット文、平均単語数=7.8、s.d.=2.4）、または調査していなかった（つまり、ディストラクター文、平均単語数=7.7、s.d.=2.1） 合計で、119のターゲット文と63のディストラクター文が参加者にランダムに提示されました。 ディストラクターの文章に関連する歴史的な出来事は、コンテンツとゾーンごとの写真の相対的な割合の両方の面で記念碑に表示された写真と一致するように選択されました。 イベントが行われた国は、年と同様に、各文の下にも表示されました。 参加者は、distractorとtarget文の間の近接性を認識していたため、このタスクを実行するために関連する画像を完全に記憶して視覚化する能力に頼ることを強く 各キューイング文の開始後、参加者は、右人差し指でyesを押すか、右中指でnoを押すことによって関連する画像を思い出すことができるかどうかを報告した。 文章は灰色の背景を中心に4.5秒のために登場しました。 試験は、ポアソン分布（λ=4）に応じて確率的な方法で提示された4.2秒の平均刺激間間隔（範囲=1-10秒）25％の追加のヌル事象と固定クロスによって分離された。 リコールタスクの精度と性能は、補足表2に記載されています。
画像配置タスク
スキャナの外部で、参加者は119枚の記念写真に対して、個々のスキーマのプロキシとして使用される画像配置タスクを実行しました。 画像は、その歴史的な近接性に応じて1から28の円の中に配置する必要がありました。 この画像配置タスクは、インターネットナビゲーション用のHTMLコードに埋め込まれたJavascriptで書かれているため、タスク実行に大きな柔軟性を提供します: 参加者は、Googleマップに似た移動する背景でズームインまたはズームアウトすることができ、彼らは（下の記念キャプションで）それをクリックして画像を拡大することができ、記念のキャプションは、マウスオーバーに登場し、参加者は一度に複数の画像を選択して移動することができました。 写真は当初、円の上の大きな正方形に置かれました。 参加者は、それぞれの写真を確認し、それぞれを通過したときに下の円に配置するように指示されました。 彼らは、彼らが近い、または類似の歴史的出来事を説明したと感じた写真を同じサークルでグループ化するように言われました。 彼らは写真が切断されたイベントを説明したと感じた場合、彼らは別の円にそれらを配置するように指示されました。 参加者は、単一の円から地図上で利用可能なすべての円まで、望むだけ多くの円を自由に使用できました。 指示は、使用されるべき円の数が絶対にないこと、そして彼らが望むように自由に進めることができることを強調した。 参加者はまた、円とその相対的な位置との間の距離に注意を払うように指示された。 写真が接続または切断されたイベントにリンクされていると判断すればするほど、円を横切る相対的な位置が近くなるか、さらに離れているはずです。 最後に、すべての写真のメイン配置が完了すると、参加者は各サークル内の写真の位置を再調整しなければなりませんでした。 画像位置間のユークリッド距離は，与えられた個人の意味組織を反映し，ＲＤＭで符号化することができた。
MRI取得パラメータ
Mriデータは、カーンのbrain imaging Cyceron centreの3T Achieve scanner（Philips）で取得した。 すべての参加者は、最初に三次元（3D）高速フィールドエコー（FFE）シーケンス（3D-T1-FFE矢状;TR=20ms、TE=4.6ms、フリップ角度=10°、センスファクタ=2、180スライス、スライス厚さ=1mm、ギャ この獲得に続いて、上昇するＴ２−ｓｔａｒ ＥＰＩシーケンス（ｍｓ−Ｔ２−ｓｔａｒ−ＦＦＥ−ＥＰＩ ａｘｉａｌ；ＴＲ＝２ ０ ５ ０ｍｓ、ＴＥ＝３ ０ｍｓ、フリップ角度＝７ ８°、３ ２枚のスライス、スライス厚さ＝３ｍｍ、０．
MRI前処理
データは、統計パラメトリックマッピングソフトウェア（Spm12、Wellcome Department of Imaging Neuroscience）を使用して分析した。 前処理の間に、画像は最初に動きを補正するために空間的に再調整され、その後、スライス取得時間遅延のために補正された。 T1構造画像とcoregistration後、機能画像は、モントリオール神経研究所のT1テンプレートに個々の灰白質T1画像の非線形正規化から導出されたパラメータを使用し ただし、RSAにはunwarpedイメージとunsmoothedイメージが使用されていたことに注意してください。 それにもかかわらず、画像の正規化は、前方変形場とその反転を計算し、サーチライト画像を正規化したり、mPFC Roiをネイティブ空間（以下を参照）にラップバックしたりするために必要であった。 滑らかでない画像の使用は、領域の表現幾何学を特徴付けるきめの細かい空間パターンを保持するため、RSAにとって重要です。
第一レベル解析
ネイティブ空間画像（つまり、反りのない画像と滑らかでない画像）に対応する前処理された時系列を、各ボクセルで1/128Hzにハイパス 各ボクセルの一般線形モデル（GLM）のリグレッサーは、標準的な血液力学応答関数（HRF）と関心の各条件の刺激開始時にデルタ関数（4.5秒の短いエポックとしてモ 最小二乗別々のアプローチが使用されました50,51,これは、各試行のための別々のGLMを推定することから成っていました. 各GLMでは、関心のある試験を一つのリグレッサーとしてモデル化し、他のすべての試験は、リコール、ミス、誤アラーム、訂正拒否および応答なしの条件に対応する五つの異なるリグレッサーに崩壊した（リコールタスクの行動パフォーマンスについては補足表2を参照）。 このアプローチは、連続した試験に対する血流力学的応答の間に高いレベルの共線性がある場合、刺激間間隔が短い設計に対して促進されている51。 興味のないさらなるリグレッサーは、線形残差運動人工物を説明するための六つの再調整パラメータであった。 GLM残差間の自己相関は、制限された最尤推定の後に事前にホワイト化されたデータを得て、一次自己回帰プロセスを使用して補正されました。
対象領域
mPFCは、自動解剖学的ラベリングatlas52を使用して解剖学的に定義され、vmPFCとdmPFC Roiに分割されました。 DmPFCは、自動化された解剖学的ラベリングアトラス（インデックス2601および2602）の両側前頭上内側回に対応していた。 VmPFCマスクは、両側前眼窩内側回（指標2611および2612）、両側直筋（指標2701および2702）および両側前帯の腹側部分（Z座標が下またはゼロに等しい）（指標4001および4002）を含 これらの２つのＲｏｉを図１ ０に示す。 3b. これら二つのマスク画像は、正規化プロセス中に計算された変形場の逆数を使用して、各参加者のネイティブ空間にラップバックされました。
表現類似性分析
個々の記憶のコントラストマップをリコールされた画像ごとに計算し、RoiのRDMsを計算するために使用しました。 各個人および各ＲＯＩについて、脳Ｒｄｍを以下のように計算した：各ボクセルについて、想起された画像全体の活動のベクトルを平均中心とし、その標準偏差（; 次に、画像の各ペアについて、与えられたROIにおける活動パターンを空間相関を用いて比較し、非類似性を1から相関を引いたもので与えた。 行動レベルでは，個々のＲｄｍは，二次元空間レイアウト上に参加者によって配置されたすべての可能な絵のペア間のユークリッド距離から導出された。 これらの脳または行動Rdmの上三角形式を抽出し、集合スキーマ、意味的距離（Wikipedia第二次世界大戦の記事から派生、下記参照）、文脈空間距離（写真の空間位置のユークリッド距離）および時間的距離（記念探査中の写真の時間的ランク順のユークリッド距離）を記述するRDMモデルの上三角形式と比較した。 脳／行動とモデルＲｄｍとの間のこれらの比較は、回帰モデルを用いて達成された。 リグレッサとデータの両方は、最初に非線形単調関係をテストするためにランク変換されました。 集合的、意味的（つまり、Wikipedia）および文脈的（つまり、空間的および時間的）モデルのRdmは直交しておらず、ある程度重複していることを考えると、回帰モデルは、各モデル予測子に起因する一意の分散を明確にするのに役立ちます。 各参加者について、この回帰モデルを関心のあるトピックごとに繰り返し、トピックモデルとモデル回帰係数の10回の繰り返しをこれらの反復 すべての回帰モデルはフルランクであり、分散インフレーション係数は各リグレッサの1.5未満であり、モデルの同定可能性と効率を確認しました。 これらの回帰モデルの結果は、本文で報告されているが、我々はまた、完全性のために、独立してテストされた標準的なスピアマンの相関の結果を、図 統計的検定については、図3cおよび補足表1に記載されています。 活動パターンの分析には、正しくリコールされた項目のみが含まれていました。 グループレベルの推論は、5,000回の反復で被験者セットをブートストラップすることにより、RDM関連性と違いの両方をテストするためにノンパラメトリック変量効果統計を使用して行われました28。 各モデルRDMまたは対比モデルRDMsの各ペアについて、基礎となる分布についての仮定を持たず、ブートストラップアプローチを使用してノンパラメトリック変量効果統計検定を実行しました。 各ブートストラップセットで平均比較を行い、ゼロよりも裾のブートストラップサンプルの割合としてP値を推定しました。 RDMモデル関連性とモデル比較の両方の複数のテストにわたるタイプIエラーの予想される割合は、fdr補正を使用して制御され、所望のFDR q=0.05であり、conditions34[、53 ＲＤＭモデル関連性の検定のために，予想されるＦＤＲは，検定されたモデルのすべての補正されていない片側ｐ値を用いて計算された。 RDMモデル比較の検定では、補正を主な仮説に限定し、両側p値を使用して期待されるFDRを計算するために、集団メモリRDMを含む比較のみを含めました。 調整されたP値を報告し、ブートストラップ反復を使用して95％パーセンタイルCIsを決定します。 ノイズの上限は、図5に報告されています。 図３Ｃは、脳Ｒｄｍｓの参加者間相関を反映する。 この相関は、各参加者について、その参加者の脳ＲＤＭと残りの参加者の平均脳ＲＤＭとの間の相関として計算された３ ４。 ノイズの天井は図に示されています。 図３Ｃは、これらの個々の相関の平均に対応する。
サーチライト解析
Freesurferソフトウェアパッケージバージョン554,55を使用して、各参加者ごとに収集されたT1重み付け画像から、皮質の白質およびpial表面のメッシ Rsa toolbox34(https://github.com/rsagroup/rsatoolbox)のMATLAB関数rsa_definesearchlightを使用し、Surfing toolbox functions56(https://github.com/nno/surfing)にも依存して、両半球のサーフェスベースのサーチライトを定義しました(半径10mmの40ボクセルサーチライトを使用)。 表面の一つ以上のノードの近傍のボクセルは、測地線距離測定を使用して、pialおよび白質表面上の対応するノードを接続する仮想線を構築することによ この手順では、表面の曲率に従ってサーチライトが生成され、fMRIパターンの解析中の空間バイアスが減少します。 体積的に定義された近傍とは対照的に、これは各個体の溝と回の輪郭に続く湾曲した円筒形の近傍をもたらした。 すべての頂点のサーチライト構造が構築され、機能画像空間にマッピングされると、サーチライトを構成する各ボクセルでのリコール活動のパターンは、平均中心とされ、リコールされたパターンのすべてのペアワイズ比較にわたって非類似性構造（1マイナス空間相関）を計算する前に、それらの標準偏差にスケーリングされた。 次に、これらのサーチライトRdmの上三角形を抽出し、ランク変換し、回帰モデルを使用して、すべてのRDMモデル（集合的、意味的および文脈的）のランク変換上三角形と比較した。 このボリュームでは、各ボクセルには、そのボクセルを中心とするサーチライトの統計が含まれています。 各モデルのためのこれらの最初のレベルのベータマップは、モントリオール神経研究所T1テンプレートに正規化され、半最大ガウスカーネルで10mm全幅を使用して平滑化されました。 これらの標準空間参加者ベータマップは、FSLバージョン5.0.1157の第二レベルのノンパラメトリック変量効果分析に提出されました。 多重比較を補正するために、グループレベルのベータマップは、過度に敏感なクラスターベースのしきい値とあまりにも保守的な全脳ボクセルベースの補正の間の良好な妥協を提供していますしきい値フリークラスターエンハンスメント58（TFCE）を使用して最大順列テストに提出されました。 RDMモデルの関連性と相違をテストするために、TFCEマップは、randomize関数（10,000の順列）を使用してFSLで実装された標準的な順列テストを使用して、家族単位の誤り率 サーチライト解析の結果は、拡張データ図に報告されている。 1.
集合的記憶コーパスの記述と分析
コーパスは、集合的記憶と個々の記憶の関係を理解するためのツールと技術的および理論的背景を提供することを目的とした学際的かつ技術的なプラットフォームであるMATRICEプロジェクト（http://www.matricememory.fr/?lang=en）によって収集された。 当初コーパスを構成していた視聴覚クリップは、MATRICEプロジェクトの主要パートナーの一つであり、フランスのテレビやラジオで放送されたすべての視聴覚作品をアーカイブすることを目的とした公共機関である国立視聴覚研究所に保管されていた。 本研究では、第二次世界大戦を共通テーマとした1980年から2010年にかけて放送されたすべてのテレビニュース速報とレポート（ラジオ番組やドキュメンタリーを含まない）をコーパスに含め、合計3,766件の文書を作成した。 我々は3つの理由から、この特定の期間に焦点を当てています。 第一に、1980年から2010年までは、参加者の寿命と主に重複しています。 第二に、この期間は、フランスの集団記憶のための新しい物語の確立に対応する（すなわち、新しい”MémorialitéのRégime”59）。 これには、ショアの記憶の出現と肯定、そして当時のフランス国家とその国民、そしてその代表者（例えば、ブスケ、レグアイ、トゥーヴィエ、パポン）のユダヤ人の国外追放と殺害への参加を認める主要な裁判が含まれていた。 第三に、自動音声認識の進歩と1980年以降に記録されたデータを処理するために同時代の言語モデルが構築された電子テキストの利用可能性のおかげで、3,766の音声ファイルは、MATRICEプロジェクトの主要パートナーの一つであるLaboratoire d’Informatique pour la Mécanique et les Sciences de l’Ingénieur（LIMSI;Engineering Sciences and Computer Science Lab）によって開発された音声からテキストへの変換アルゴリズムを使用してXML形式に変換された。
一旦テキストに変換されたコーパスは、第二次世界大戦に関連しない分節を破棄するために、最初は手動で処理されました（このトピック専用のセクシ この操作の間、自動音声からテキストへの転写は、人間の読者によってさらに修正されました。 この最初の前処理の後、ドキュメントごとに個別のXMLファイルが抽出されました。 これらのファイルは、TreeTagger morphosyntactic analyzer61（http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/）に接続されたTXM software60（http://textometrie.ens-lyon.fr/）を使用してテキストデータ分析方法論で処理されました。 TXMを使用すると、ユーザーは単語の各インスタンス（つまり、トークン）に対応する補題（単語のセットの標準形式）に注釈を付け、コーパス内の各単語のモルフォシンタクティックラベリングに進むことができます。 コーパスは、特定の文法カテゴリ、フォーム、補題、または単語に添付された情報にタグを付けて取得するために、コーパス照会言語（CQL）要求を使用して探索するこ Cql要求のリストは、コーパス内の各名詞、動詞、または形容詞補題に対して最初に自動的に生成されました。 まれな補題（10回未満の出現）、停止語、および一般的な動詞（例えば、「be」および「have」）はプロセスで削除され、後続の分析には含まれませんでした。 たとえば、このアルゴリズムはコーパスを通過し、コーパス内の動詞”fight”の任意のインスタンス（つまり、”fight”、”fighted”、または”fighting”）に対応する一意のCQLクエリ（たとえば、(lemma=”fight”%c)）を生成 この要求に組み込まれている%c修飾子は、同化補題形式(つまり、”fight”、”Fight”または”FIGHT”)の文字の大文字小文字を中和するために使用されます。 このようにして、約6,500件のCQL要求の初期リストが自動的に生成されました。 このリストは、誤った転写によって生成されたCQL要求を削除するために手動でチェックされ、特定の要求を単一のエンティティの下にグループ化たとえば、(lemma=”Gorbatchev”%c)|(lemma=”Gorbatchov”%c))に調整することができます。 この最初のチェックと調整の後、合計6,240の要求が残り、コーパスを構成する1,431,790のトークンを要約しました。
出現回数を数える補題x文書頻度行列を抽出し、Machine Learning for LanguagE Toolkit(MALLET;http://mallet.cs.umass.edu/topics.php)を使用して実行されたLDA分析に提出しました。 トピックモデル26,29,30ドキュメントはトピックの混合によって生成されると考えてください。 この文脈では、トピックは、すべての文書に存在するすべての単語に対する確率の分布に対応します（特定の単語がトピックに関連付けられる可能性 この観点から、トピックに確率分布を割り当てることによって文書を生成することができます。 ドキュメント内の各インスタンスについて、前のトピックの確率分布に応じてトピックが選択され、そのトピックから単語が描画されます。 MALLETは、Gibbsサンプリングアルゴリズムを使用してこのプロセスを反転し、文書のコレクションと単語に対する確率を生成する責任があるトピックのセ
まず、マレット列車トピックエンジンを使用して、第二次世界大戦のニュース速報とレポートコーパスのトピックモデルを訓練しました（拡張データ図を参照）。 この手法で作成されたトピックのイラストについては、2）。 許可されるトピックの数を2から100まで、1単位で変更し、アルファパラメータを50/Nトピックに設定し、開始ベータパラメータを0.1に設定しました（意味目的のための大規模なテキストコーパスをモデル化する他の作品62で示唆されているように）。 トピックの数ごとに、500回の反復を使用して単語と文書のトピックの確率を推定しました。 次に，ＭＡＬＬＥＴ推論ツールを使用して，Ｌｄａモデルを記念写真に適合させ，それらのトピック確率を推定した。 その目的のために、各画像は新しい文書として扱われ、画像の下にある記念のキャプションから直接派生したキーワード（またlemmatized）でラベル付けされました。 合計449の補題が記念写真を記述するために使用されました。 これらの補題のうち、428はニュース速報とレポートのコーパスを記述する6,240の補題のリストにも含まれていました。 このように、トピック推論プロセスは、119個の画像x Nトピックの確率分布行列を導き、画像が与えられたトピックの事後確率を記述しました。
119画像x119画像RDMは、画像の各ペアのトピック確率の分布間の距離を使用して、推定されたトピックの数ごとに計算されました（ここでは、二つのトピ しかし、Gibbsサンプリングアルゴリズムがパラメータ推定中に導入するランダム性を考えると、我々は推定トピックの数ごとに3D119画像x119画像x10繰 脳または行動Rdmと集団Rdm（回帰モデルのベータ係数またはSpearmanの相関係数）との間の類似性の測定値は、トピックモデリングの10回の繰り返しにわたって平均化されました。 (1)フランスのテレビニュース速報とレポートコーパスでトピックモデルを訓練し、(2)このトピックモデルを記念写真とそのキャプションに適合させ、各; (3)画像を与えられたトピックの事後確率を記述する119ピクチャ×Nトピック行列を抽出し、119×119RDMに変換し、(4)このプロセスを十回繰り返し、各トピック数について、脳または行動Rdmとの平均類似性をそれらの十インスタンスにわたって計算した。
集団記憶モデルの検証とトピック番号の選択
私たちは、個人間の共有表現の構造を定量化し、そのような共有スキーマを集団記憶モデルと比較 この手順はまた、共有メモリに最もよく対応する画像の集合構造を記述するために、最適な数のトピックを独立して選択することを可能にする。 この目的のために、54人のフランス語ネイティブスピーカー（23人の男性、31人の女性）20歳から39歳（平均=27.3歳;s.d.=5.6）が画像配置タスクを実行しました。 この作業はまったく同じ119枚の記念写真で行われましたが、前日に記念碑を訪れたMRI参加者とは異なり、これらの新しい参加者は記念碑に完全に不 我々は、画像間のユークリッド距離から54個の個々のRdmを導出した。 次に、それらのコントロール個人間の表現の共有構造をキャプチャするためにDISTATIS33を実行しました。 DISTATISは、複数の距離行列にわたって最適な一致または妥協を計算するのに理想的です。 DISTATISのMATLABでの実装はhttps://www.utdallas.edu/~herve/で見つけることができますが、簡単に言えば、（1）54個のRDMsのそれぞれは、最初に二重中心化とその最初の固有値への正規化の後、最初に; (2)54個の正規化された交差積行列のすべてのペアワイズ比較のコサイン類似構造は、RV係数を使用して計算されました;(3)RDMs間の関係を記述するRV係数行列は、固有分解に提出され、妥協行列は、それらの最初の固有値によって重み付け正規化された交差積行列の合計に対応しました;(4)妥協生成された係数スコアの固有値分解は、N次元妥協空間内の119個の画像のそれぞれの位置を記述しました; そして、（5）これらの多次元妥協空間の距離相関行列は、行動画像配置タスクから派生したすべての54個の個々のRdmにわたって最良の一致に対応した。 この距離相関行列は、個人間の共通の意味組織を反映した共有スキーマと見なすことができます。 テレビのニュース速報やレポートのコーパスから抽出された集合的なRdmは、対照個体間で測定された共有メモリの構造に似ていた（図。 2c）。 集団記憶と共有記憶の間のこの類似性は、五つのトピックのビンによって平均化され、トピック発見中に六から十のトピックが含まれていたときに最大に達した。 その結果、集合的または意味的記憶を含む後続のすべての分析は、6〜10のトピックを使用して実行されました（そして、脳または行動的Rdmと集合的また
第二次世界大戦セマンティックドメインの制御モデルの構築
私たちは、第二次世界大戦に関連する単語間の特定の意味関係のベンチマークモデルとして第二次世界大戦を参照するフランスのWikipediaの記事を使用し、記念写真に適合するトピックモデルを訓練しました。 このコーパス（http://redac.univ-tlse2.fr/corpus/wikipedia.html）には、2008年までに編集された664,982件の記事が含まれており、そのうち2,643件は第二次世界大戦に関連しており、以前はWikipediaの記事のダンプフランス語版（http://dumps.wikimedia.org/）から抽出され、第二次世界大戦に関するフランスのテレビニュースのコーパスを処理するために使用されたのと同じmorphosyntacticタグ付けツール61を使用して処理されている。コーパスの説明と分析）。
報告概要
研究デザインに関する詳細は、この記事にリンクされているNature Research Reporting Summaryを参照してください。